接近红外光谱的机器学习方法用于预测甜的感觉特征

科学领域:

• 农业科学 农业科学
• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.

背景情况:

• 感官和质地特征对于甜的接受度至关重要,影响粮食安全和营养.
• 近红外 (NIR) 光谱学提供了估计这些特征的潜力,由于直接的光谱反应.
• 传统的方法,如部分最小平方 (PLS) 回归,已被用于模拟NIR光谱数据的感觉特征.

研究的目的:

• 用NIR光谱来比较各种机器学习方法的性能,用于使用NIR光谱对甜的感觉特征进行定量预测.
• 识别先进的技术,可以提高新样本的建模精度,并捕捉非线性关系.

主要方法:

• 使用机器学习算法开发和比较27种感官特征的定量预测模型.
• 评估线性方法 (线性支向量机 - L-SVM,主要成分回归 - PCR,PLS) 和非线性方法 (基于辐射的SVM - NL-SVM).
• 评估基于树的方法 (极端梯度提升 - XGBoost,随机森林 - RF) 和弹性净线性回归 (ENR),有或没有有效波长选择 (iPLS) 和SNV预处理.

主要成果:

• 线性方法 (L-SVM,PCR,PLS) 通常优于其他统计方法,表现出更高的R2平均值.
• 与PLS (平均0.32) 和NL-SVM (平均0.30) 相比,L-SVM和PCR模型的整体R2略高 (平均0.33).
• 色强度是最好的预测特征 (R2 = 0.87-0.89),而ENR,XGBoost和RF表现不那么有效 (R2较低和RMSE较高),可能是由于样本大小.

结论:

• 线性模型,特别是L-SVM和PCR,在使用NIR光谱学预测甜的感觉特征方面是有效的.
• 虽然有效的波长选择和预处理方法可以提高模型性能,但线性方法显示出强大的预测能力.
• 用更大的样本大小进行进一步的研究可能会提高基于树的和ENR模型的性能,用于基于NIR的感觉特征预测.